买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨理工大学;哈尔滨工业大学;中数(深圳)时代科技有限公司

摘要：本发明一种基于联邦学习的代谢性疾病预测方法及系统，涉及智能医疗技术领域，为解决现有的模型难以全面进行多种代谢疾病的预测，且难以保障模型的运行效率、准确性以及数据的隐私安全。本发明构建多个代谢性疾病数据集，采用主成分分析和聚类对数据进行处理，构建合并数据集；构建有改进的DNN的网络模型，模型引入Transformer层和全连接层，Transformer层通过其注意力机制对数据进行特征提取与转换，并在向量信息中插入位置信息来捕捉主成分特征之间的隐含序列关系，全连接层之间通过残差层连接；基于联邦学习方法各客户端基于合并数据集采用蒸馏的方法对改进的DNN模型进行训练，最终得到全局的代谢性疾病预测模型，以实现对代谢性疾病进行分类。

主权项：1.一种基于联邦学习的代谢性疾病预测方法，其特征在于，所述方法基于联邦学习模型，所述联邦学习模型包括一个中心服务端和N个客户端，包括如下步骤：S1、构建多个代谢性疾病数据集，对数据集进行数据预处理，采用主成分分析对数据进行降维，对降维后的数据进行聚类，将聚类结果作为一个新特征插入到数据集中，采用数据堆叠的方式合并各数据集，得到合并数据集；S2、所述中心服务端构建有改进的DNN的网络模型，模型引入Transformer层和全连接层，Transformer层通过其注意力机制对数据进行特征提取与转换，并在向量信息中插入位置信息来捕捉主成分特征之间的隐含序列关系，全连接层之间通过残差层连接；通过所述中心服务端对模型进行初始化，并将模型下发至各客户端；S3、各客户端基于合并数据集采用蒸馏的方法对接收到的模型进行训练，将训练后的模型参数数据加密并压缩，上传至中心服务端；S4、所述中心服务端对接收的模型参数数据进行解密和解压缩，将各客户端参数进行安全聚合，得到全局模型；S5、所述中心服务端对所述全局模型的效果进行验证，若结果不满足条件则依次执行S3-S4，至结果满足条件终止训练，得到代谢性疾病预测模型；S6、采用所述代谢性疾病预测模型对代谢性疾病进行分类。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 哈尔滨工业大学 中数(深圳)时代科技有限公司 一种基于联邦学习的代谢性疾病预测方法及系统